基于BP神經網絡的物流量預測方法研究

馬銀軍 （重慶交通大學 管理學院，重慶 400074）

0 引 言

物流量作為衡量一個國家或地區經濟發展的重要經濟指標，愈加受到人們的重視，如何正確、有效的根據相關影響因素做出物流量預測，對于物流產業的發展具有至關重要的作用。目前，有關物流預測的方法有移動平均預測法、指數平滑預測法、回歸分析預測法以及神經網絡預測法[1]。前三種方法都需事先建立函數模型，數據缺失的情況下難以順利進行，導致物流預測結果缺乏可信度。人工神經網絡具有良好的曲線擬合能力、學習能力、抗干擾能力，采用BP神經網絡方法，建立物流預測模型，具有更強的實用性。

1 地區物流需求關鍵經濟因素分析與提取

物流需求是一種派生需求[2]。這種派生需求的大小與其本源需求有著密切的關系，而社會物流的需求是由地區經濟發展本身帶來的。因此，理論上通過尋找區域經濟的關鍵因素構建物流需求預測模型是可行的，用數學模型可表示為：

其中，W為物流需求量，B為地區經濟因素。

影響社會物流需求的因素眾多，但從宏觀考慮主要包括三大部分：地區經濟規模、產業結構、經濟空間布局。地區經濟發展的整體水平和規模是社會物流需求的決定因素，也是物流需求的源動力。其次，產業結構是另一個重要因素，主要包括商貿業、工業、農業，并且產業結構的差異也將對物流的需求功能、物流層次及物流需求結構等方面產生重大影響。此外，地區人均收入和消費水準也是影響社會物流需求的重要方面。

基于以上分析，提取影響社會物流需求的各項經濟指標如下：地區經濟總量指標：地區生產總值X1（萬元），產業結構指標：工業總產值X2（萬元）、農業總產值X3（萬元）、商貿業總產值X4（萬元），消費水平：地區人均消費水平X5（元）。

2 物流需求BP神經網絡模型

2.1 模型算法描述

BP算法是一種有教師的學習算法[3]。輸入學習樣本為p個 （X1,X2,X3…XP），已知與其對應的教師值為t1,t2,t3…tp；學習算法是用實際的輸出 y1,y2,y3…yp與t1,t2,t3…tp的誤差修正其連接權值和閾值，使yp與tp盡可能接近,從而達到滿意的非線性擬合。設n0為迭代次數，權值和閾值的修正公式為：

式中，η——步長，δ——局部梯度；

當P個樣本學習時，其總誤差為：

此時，式 （1）、 （2）停止迭代，連接權值和閾值訓練完畢。式中ε為任意給定的正小數，其大小取決于網絡訓練的精度。

2.2 BP神經網絡模型設計

模型采用三層BP神經網絡，該網絡由一個輸入層、一個隱含層和一個輸出層組成，如圖1所示。輸入層含5個結點 （x1,x2…x5），分別對應本文前面分析提取的5個經濟因素指標。由于貨物運輸量可以在一定程度上反映物流需求的變化規律，所以選擇貨物運輸量Y（萬噸）作為神經網絡的輸出結點。

在神經網絡中，關于隱含層單元數量的選擇尚無確切的方法和理論，隱含層單元過少會導致擬合不足，網絡不能描述數據；隱含層單元過多卻會導致過度擬合，網絡擬合數據的噪聲大。因此，通過試錯法選取最佳的隱含層單元數。各層之間的傳遞函數Elman網絡設計；其中，輸入層與隱含層之間的傳遞函數為sigmoid函數，隱含層與輸出層之間的傳遞函數為線性函數。

3 實例分析

3.1 指標選取

本文以某市的貨物量預測為例，由于受到統計數據可獲得性限制，在對該市貨運量進行預測時選取 “全社會貨物運輸量”作為貨運量預測指標，選擇該市1991年至2008年的GDP、第一產業產值、第二產業產值、第三產業產值、地區人均消費水平、貨物周轉量統計數據作為實證研究對象，見表1。將數據分為兩部分，1991～2005年的數據作為神經網絡的訓練樣本，而2006～2008年的數據作為檢驗樣本。

由于輸入向量中各因素具有不同的量綱，而且變化范圍相差較大，在神經網絡訓練之前首先對樣本數據進行了標準化處理，以提高神經網絡訓練的效率和網絡的泛化性能。標準化處理包括兩層含義：首先使樣本向量數據的平均值為零；其次，對數據進行歸一化處理，使輸入數據向量的標準差為1。此外，再對經過標準化處理后的數據樣本進行主元分析，以剔除有相關關系的樣本數據。

3.2 訓練及結果分析

利用Matlab7編制BP網絡訓練和分析程序，并利用該程序對神經網絡有關參數進行優選[4]。經過實驗確定，社會物流需求預測模型，BP網絡隱含層神經元數取15較為合適，網絡所需訓練時間不多，便能達到目標誤差，因此選取學習率為0.01，期望誤差為0.002。

由圖2和圖3可以得出結論，該網絡能夠較快收斂，并且很好的擬合了輸入因素與輸出向量的非線性關系。結果顯示，檢驗樣本的預測平均相對誤差為3.3%，模型能夠得到較為滿意的預測精度。

表1 統計數據表

4 結 論

當前對于物流量的預測模型大多難以解決不具有明顯線性關系的問題，但是通過BP神經網絡高精度的模擬算法，建立相應仿真模型，對地區物流量進行預測，預測的結果證明該模擬算法具有極高的信任度。 該模型在一定程度上反映了經濟與物流量之間的復雜映射關系，它不同于以往簡單的貨運量預測線性回歸或者時間序列預測模型，更重要的是本模型不是直接利用物流數據本身來預測貨運量，而是采用經濟指標來對貨運量需求進行預測，為從經濟與物流一體化的角度研究物流需求提供了新的思路。

[1] 李懷祖.管理研究方法論[M].西安：西安交通大學出版社，2004:38-39.

[2] 趙啟蘭，王稼瓊.物流規劃中的需求與潛在需求分析[J].中國軟科學，2004(6):30-32.

[3] 鮑立威，何敏，沈平.關于BP模型的缺陷的討論[J].模式識別與人工智能，1995(7):31-33.

[4] 桂現才.BP神經網絡在MATLAB上的實現與應用[J].湛江師范學院學報，2004(10):23-25.